Rivista Italiana <strong>di</strong> Economia Demografia e Statistica 35appartenenza. Il modello proposto ha come casi statistici i comuni della regioneLazio, come covariate la specializzazione agricola del comune e l’incidenza deglioccupati sulla popolazione in età lavorativa, come variabile <strong>di</strong>pendente la<strong>di</strong>fferenza <strong>di</strong> età me<strong>di</strong>a fra i due collettivi e infine, come variabile <strong>di</strong> controllo <strong>di</strong>natura contestuale, l’appartenenza contemporaneamente a una data provincialaziale e ad una delle cinque zone del PSR. L’obiettivo <strong>di</strong> una siffatta formulazioneè verificare l’ipotesi che la <strong>di</strong>fferenza <strong>di</strong> età me<strong>di</strong>a tra le due sub-popolazioni sia<strong>statistica</strong>mente significativa e <strong>di</strong>pendente da aspetti esogeni legati all’occupazionee alla specializzazione agricola del territorio e misurare se e come le suddetterelazioni cambiano considerando l’appartenenza del comune ad una determinataarea geo-economica data dall’incrocio tra zona del PSN e provincia.3.1 Aspetti analitici del modello statistico applicatoIl modello lineare misto utilizzato è il seguente:y ij = Xijβ+ Zijuij+ vij= Xijβ+ 1ijuij+ vij, (1)dovey ij è la variabile “<strong>di</strong>fferenza <strong>di</strong> età me<strong>di</strong>a” competente per la “zona PSR” iT(i=1,2,3,4) e la provincia j (j=Viterbo, Rieti, Roma, Latina, Frosinone); x ij è unvettore 1 × p <strong>di</strong> variabili esplicative; β è un vettore p × 1 <strong>di</strong> parametri (effettifissi); Z ij = 1ijè la matrice <strong>di</strong> <strong>di</strong>segno del modello; uij, vijsono, rispettivamente,l’effetto casuale sull’intercetta relativo al gruppo ij, con me<strong>di</strong>a 0 e varianza2G σ , e un vettore n ij × 1. Inoltre u ij e v ij sono in<strong>di</strong>pendenti. In caso <strong>di</strong>= u<strong>di</strong>stribuzione normale per u ij ev ij , si ha:ii<strong>di</strong>id21 N ) ~ Nn ij( 0,Riju = ( u ,..., uN) ~ N(0,σu), v = ( v1,...,v),2essendo N il totale dei gruppi considerati. G = σ ue R i sono matrici definiteNpositive. Ponendo = ∑NNTi,j=1nij, P = I N ⊗ G , S = ⊕i= 1Ri,con i simboli ⊗ e⊕ che denotano, rispettivamente, il prodotto <strong>di</strong> Kronecker e la soma <strong>di</strong>retta, eruralità <strong>di</strong>verse, al fine <strong>di</strong> una più corretta formulazione <strong>di</strong> politiche. Le quattro zone sono cosìdefinite: 1. aree rurali ad agricoltura intensiva e specializzata; 2. aree rurali con complessivi problemi<strong>di</strong> sviluppo; 3. aree rurali interme<strong>di</strong>e; 4. poli urbani.
36 Volume LXVII n 1 Gennaio-Marzo 2013ponendo inoltreT TT TNy ( y1 ,..., y N ), X = ( X1,..., XN), Z = ⊕i, j=1= 1 , il modello puòessere scritto me<strong>di</strong>ante un’unica equazione, con struttura a blocchi della matrice <strong>di</strong>covarianza del modello:y = Xβ + Zu + v,(2)conuv~00NNT,P0NT × N0N×NTQuest’ultimo ha la seguente matrice <strong>di</strong> covarianza con struttura <strong>di</strong>agonale ablocchi:Tcov( y ) = V = S + ZPZ(4)Le stime BLUE (GLS) e BLUP per β e u , rispettivamente, sono:Sij(3)ˆ T -1 -1 T -1T) , ˆ = ˆ -V X X V y u GZ V1i i iβ = ( X( yi-X βˆ)i(5)3.2 Risultati del modelloCome illustrato nella tabella 3, la stima del modello ha permesso <strong>di</strong> confermareche la <strong>di</strong>fferenza nei livelli <strong>di</strong> età me<strong>di</strong>a tra popolazione agricola e popolazione nonagricola è <strong>statistica</strong>mente significativa. Peraltro, il modello ha validato il nesso <strong>di</strong>causalità inversa tra vocazione agricola del territorio e la <strong>di</strong>fferenza <strong>di</strong> età tra le duepopolazioni confrontate nonché <strong>di</strong> quest’ultima con l’incidenza <strong>di</strong> occupati sullapopolazione in età lavorativa.